---

توان بالای عبوری از خطوط انتقال و هزینه‌های هنگفت ناشی از بروز خطاها در این خطوط باعث توجه ویژه محققین به مسائل مربوط به حفاظت در این حوزه شده است. ضعف‌های موجود در روش‌های حفاظت سنتی و وابستگی شدید آن‌ها به شرایط بهره‌برداری سیستم اهمیت موضوع تشخیص پیش از موعد خطا و پیش‌بینی آن با روش‌های جدید را دوچندان می‌کند. تشخیص به موقع و صدور هشدارهای مربوط به احتمال وقوع خطا با تحلیل داده‌ها و اطلاعات بدست آمده از سیستم و بررسی روابط بین پارامترهای مختلف قابل انجام است. در این مقاله از روش‌های مبتنی بر یادگیری ماشین که با دقت مناسب و مستقل از ناحیه عملکردی سیستم توان پیش‌بینی وقوع خطا را دارند استفاده گردیده است. برای بررسی عملکرد مدل‌ها تعداد زیادی داده‌ در شرایط بهره‌برداری متنوع تولید شده و به عنوان ورودی به الگوریتم‌های تحت بررسی داده شده است. همچنین تاثیر شرایط آب و هوایی مختلف به عنوان یکی از عوامل مهم در وقوع خطاها در خطوط انتقال در این مطالعه لحاظ شده است. به منظور افزایش جامعیت، بررسی صحت و مقایسه‌پذیری نتایج از سه روش KNN، SVM و درخت تصمیم در دو حالت (داده‌های نامتعادل و متعادل‌سازی شده در دسته‌بندی‌های موجود) استفاده شده و نتایج آن ارائه گردیده است. شبیه سازی‌ها و مدل‌سازی‌های ارائه شده در این مقاله با استفاده از نرم‌افزارPython  انجام گردیده‌اند.